用于选择针对工业系统的配置而使用的项目的平台

摘要

用于在选择会话期间对可用于系统的配置的项目进行上下文感知的排序的计算机实现方法和平台，所述方法包括以下步骤：提供（S1）数字输入向量V作为上下文，所述数字输入向量V表示在当前选择会话中选择的项目；使用人工神经网络ANN从所述数字输入向量V来计算（S2）压缩向量Vcomp，所述人工神经网络ANN被适配成捕获项目之间的非线性依赖性；将所述压缩向量Vcomp乘以（S3）权重矩阵EI以计算输出得分向量S，所述权重矩阵EI是从因子矩阵E中导出的，所述因子矩阵E是作为对所存储的关系张量Tr进行张量因子分解的结果而获得的，所述关系张量Tr表示历史选择会话中执行的项目选择、可用项目以及其属性之间的关系r；以及）根据所计算的输出得分向量S的相关性得分来对所述可用项目进行自动排序（S4），以用于在当前选择会话中选择。

说明书

本发明涉及一种平台，该平台被配置成选择可以针对技术系统、特别是工业系统（诸如，包括多个项目的自动化系统）的配置而使用的项目、特别是该系统的硬件组件和/或软件组件。

技术系统、特别是工业系统可能非常复杂，并且包括多个不同的子系统和/或组件。每个组件可以包括对于相应系统的操作所需的各种不同特征或属性。工业系统可以是例如制造设施，其具有在通信子系统中彼此连接的多个机器，并且具有由控制组件控制的多个机床和/或硬件组件，这些控制组件被适配成在制造过程期间执行软件组件。所有这些组件形成了设置相应技术系统所需的项目（item）。为了实现这种工业系统、特别是工业制造系统或自动化系统，有必要提供由组件的制造商或组件供应商所提供的多个项目。计划构建工业系统或复杂产品的最终客户需要订购多个不同的项目或组件。通常，最终客户有权访问制造商的产品列表，该产品列表列出了相应制造商所供应的多个不同的可用项目或组件。复杂系统或复杂产品通常由典型地一起被购买的若干个组件或项目组成。为了选择这些组件，通常基于某些标准对所提供的产品列表进行排序。排序标准可以包括例如产品名称，其中按字母顺序对产品进行排序。另外的排序标准可以是例如相应项目或组件的产品价格，其中按照组件根据增加或降低的价格来对项目进行排序。另外的可能排序标准是相应项目的产品发布日期。

常规平台还向最终客户提供附加的服务，诸如推荐过去最经常一起被购买的项目，这些项目处于排名列表的顶部。这些常规服务主要基于相同或不同用户所执行的历史选择。这些常规平台实际上在其中历史选择数据缺失或者历史选择数据对于平台不可用的场景中会失败。此外，常规平台无法识别当前选择会话以及项目本身的上下文方面（contextual aspect）。上下文方面例如由当前选择会话中当前被选择的项目所形成。

Hildebrandt等人的“Configuration of Industrial Automation SolutionsUsing Multi-relational Recommender Systems”公开了构建复杂的自动化解决方案（其对于过程工业和构建自动化是常见的）需要在工程过程中的早期选择组件。通常，推荐系统指导用户选择适当的组件，并且在这样做时考虑各种级别的上下文信息。许多流行的购物篮推荐系统基于协作过滤（collaborative filtering）。在生成个性化推荐时，这些方法仅依赖于观察到的用户行为，并且通常是上下文无关的（context-free）。此外，它们有限的表达性使得它们在被用于设置复杂的工程解决方案时不是那么有价值。基于确定性的手工构建的规则（handcrafted rule）的产品配置器可以更好地应对这些用例。然而，除了相当静态且不灵活之外，这种系统开发起来是耗时费力的，并且需要领域专门知识。在他们的文档中，Hildebrandt等人研究了用于在构建复杂的工程解决方案时生成推荐的各种方法。他们利用数据中的包含大量预测性能力（predictive power）并且比严格的确定性规则更加灵活得多的统计模式。为了实现这一点，他们提出了用于复杂的工业解决方案的通用推荐方法，该方法将过去的用户行为和语义信息两者并入在联合知识库中。这得到了图形结构化的多关系数据描述——通常被称为知识图。在这种设置下，预测用户针对某项目的偏好对应于预测该图中的边。

Yinchong等人的“Embedding Mapping Approaches for Tensor Factorizationand Knowledge Graph Modelling”公开了隐嵌入模型（latent embedding model）是用于对知识图和推荐系统进行建模的最先进的统计解决方案的基础。然而，为了能够针对新的实体和关系类型执行预测，必须完全地重新训练这种模型以导出新的隐嵌入。当需要针对新的实体和关系类型进行快速预测时，这可能是潜在的限制。在他们的文章中，作者提出了可以将新实体和新关系类型映射到现有隐嵌入空间中而无需重新训练的方法。所提出的模型基于新实体的可观察到的（甚至不完整的）特征，例如与其他已知实体的观察到的链接的子集。作者示出，这些映射方法是高效的，并且适用于各种各样现有的因子分解模型，包括非线性模型。在多个现实世界数据集上报告性能结果，并且评估来自不同方面的性能。

Nickel等人的“A Three-Way Model for Collective Learning on Multi-Relational Data”公开了关系学习在许多应用领域中正在变得越来越重要。在该文档中，他们提出了一种基于三向张量（three-way tensor）的因子分解的关系学习的新方法。他们示出，与其他张量方法不同，所公开的方法能够经由模型的隐组件来执行集体学习，并且提供了高效的算法来计算因子分解。借助于在新数据集以及实体解析中通常使用的数据集两者上的实验，证实了（substantiate）关于所公开模型的集体学习能力的理论考虑。此外，在共同的基准数据集上，示出了所公开的方法与当前最先进的关系学习解决方案相比实现了更好或同等的结果，同时其计算起来显著更快。

因此，需要提供一种方法和平台，该方法和平台提供了在选择会话期间对可用于技术系统的配置的项目进行上下文感知的（context aware）排序。

根据本发明的第一方面，该目的通过一种包括权利要求1的特征的计算机实现方法来实现，该方法用于对可用于该系统的配置的项目进行上下文感知的排序。

根据第一方面，本发明提供了一种计算机实现方法，所述方法用于在选择会话期间对可用于系统的配置的项目进行上下文感知的排序，

该方法包括以下步骤：

提供数字输入向量作为上下文，所述数字输入向量表示在当前选择会话中选择的项目，

使用人工神经网络从所述数字输入向量来计算压缩向量，所述人工神经网络被适配成捕获项目之间的非线性依赖性，

将所述压缩向量乘以权重矩阵以计算输出得分向量，所述权重矩阵是从因子矩阵中导出的，所述因子矩阵是作为对所存储的关系张量进行张量因子分解的结果而获得的，所述关系张量表示在历史选择会话中执行的项目选择、可用项目以及其属性之间的关系，以及

根据所计算的输出得分向量的相关性得分（relevance score）来对所述可用项目进行自动排序，以用于在当前选择会话中选择。

在根据本发明的第一方面的方法的可能实施例中，所述数字输入向量被应用于所述人工神经网络的输入层。所述人工神经网络是经训练的反馈前向人工神经网络。

在根据本发明的第一方面的方法的仍进一步的可能实施例中，所述人工神经网络包括至少一个隐藏层，所述隐藏层具有被适配成应用非线性激活函数、特别是ReLU激活函数的节点。

在根据本发明的第一方面的方法的进一步的可能实施例中，所使用的人工神经网络的最后一个隐藏层中的节点数量等于关系核心张量的维数，所述关系核心张量是作为对所存储的关系张量进行张量因子分解的结果而获得的。

在根据本发明的第一方面的方法的进一步的可能实施例中，所使用的人工神经网络包括输出层，所述输出层具有被适配成应用sigmoid激活函数来计算所述压缩向量的节点。

在根据本发明的第一方面的方法的可能实施例中，所述数字向量针对每个可用项目包括向量元素，所述向量元素具有如下数值：所述数值指示用户或代理在当前选择会话中已经选择了多少个相应的可用项目。

在根据本发明的第一方面的方法的进一步的可能实施例中，借助于张量因子分解，将所述关系张量分解成关系核心张量和因子矩阵。

在根据本发明的第一方面的方法的仍进一步的可能实施例中，所述关系张量是从所存储的知识图中自动导出的，其中所述知识图包括表示历史选择会话的节点、表示可用项目的节点、以及表示所述可用项目的特征或属性的节点，并且进一步包括表示所述知识图的节点之间的关系的边。

在根据本发明的第一方面的方法的进一步的可能实施例中，所述关系张量包括三维包含关系张量，其中所述三维包含关系张量的每个张量元素表示所述知识图内的三元组（triple），

其中所述三元组由表示选择会话的第一节点、表示可用项目的第二节点、以及两个节点之间的包含关系组成，所述包含关系指示由所述知识图的第一节点表示的选择会话包含由所述知识图的第二节点表示的项目。

在根据本发明的第一方面的方法的进一步的可能实施例中，所述三维关系张量包括稀疏张量，其中如果相关联的三元组在所存储的知识图中存在，则每个张量元素具有逻辑高值，并且如果相关联的三元组在所存储的知识图中不存在，则每个张量元素具有逻辑低值。

在根据本发明的第一方面的方法的仍进一步的可能实施例中，经由塔克（Tucker）分解将所述关系张量自动地分解成由转置因子矩阵、关系核心张量和因子矩阵组成的乘积。

在根据本发明的第一方面的方法的仍进一步的可能实施例中，其中所述得分向量包括每个可用项目的相关性得分作为向量元素，所述相关性得分用于在排名列表中对所述可用项目进行自动排序，以供用户或代理在当前选择会话中选择。

在根据本发明的第一方面的方法的进一步的可能实施例中，所述数字向量内的由用户或代理在当前选择会话中从所述排名列表选择的每个项目的数值自动地递增。

在根据本发明的第一方面的方法的仍进一步的可能实施例中，通过对历史选择会话数据以及相应历史选择会话中选择的项目的技术数据进行组合来自动生成所述知识图，所述历史选择会话数据针对所有历史选择会话包括相应历史选择会话中选择的项目，所述技术数据针对每个项目包括相应项目的属性。

在根据本发明的第一方面的方法的仍进一步的可能实施例中，如果当前选择会话完成，则使用在完成的选择会话中被选择并且由相关联的数字输入向量表示的所有项目来扩展所述历史选择会话数据。

在根据本发明的第一方面的方法的进一步的可能实施例中，经扩展的历史选择会话数据用于更新所存储的知识图，和/或更新从经更新的知识图中导出的关系张量。

在根据本发明的第一方面的方法的仍进一步的可能实施例中，提供所述数字输入向量、计算所述压缩向量、计算所述输出得分向量、以及对所述可用项目进行排序以用于选择的步骤是迭代执行的，直到用户或代理完成了当前选择会话为止。

在根据本发明的第一方面的方法的仍进一步的可能实施例中，所述可用项目包括可针对相应系统的配置而选择的硬件组件和/或软件组件。

根据进一步的方面，本发明进一步提供了一种用于在选择会话中从上下文感知排序的可用项目中选择项目的平台，所述平台包括权利要求18的特征。

根据第二方面，本发明提供了一种平台，所述平台用于在选择会话中从上下文感知排序的可用项目中选择项目，其中所选项目是针对系统、特别是工业系统的配置而使用的，所述平台包括：

处理单元，其被适配成从作为上下文的数字输入向量来计算压缩向量，所述数字输入向量表示在当前选择会话中选择的项目，

其中使用人工神经网络从所述数字输入向量来计算所述压缩向量，所述人工神经网络被适配成捕获项目之间的非线性依赖性，

其中所述处理单元被适配成将所述压缩向量乘以权重矩阵以计算输出得分向量，所述权重矩阵是从因子矩阵中导出的，所述因子矩阵是作为对所存储的关系张量进行张量因子分解的结果而获得的，所述关系张量表示在历史选择会话中执行的项目选择、可用项目以及其属性之间的关系，

其中根据由所述处理单元计算的所述输出得分向量的相关性得分，由所述处理单元对所述可用项目进行自动排序，以用于在当前选择会话中选择。

在根据本发明的第二方面的平台的可能实施例中，所述处理单元有权访问所述平台的存储器，所述存储器存储知识图和/或存储从所述知识图中导出的关系张量。

在根据本发明的第二方面的平台的仍进一步的可能实施例中，所述平台包括接口，所述接口用于在选择会话中从根据所计算的输出得分向量的相关性得分而排序的可用项目的排名列表中选择项目。

在下文中，参考附图更详细地描述了本发明的不同方面的可能实施例。

图1示出了一示意性框图，其用于图示根据本发明的一方面的用于选择项目的平台的可能的示例性实施例；

图2示意性地示出了用于图示根据本发明的方法和平台的操作的示例性知识图；

图3示意性地图示了通过根据本发明的方法和装置执行的张量分解；

图4图示了工业知识图的进一步示例；

图5图示了根据本发明的计算机实现方法的操作；

图6示出了根据本发明的进一步方面的用于对项目进行上下文感知的排序的计算机实现方法的可能的示例性实施例的流程图。

如在图1的框图中可以看到的，根据本发明的一方面的平台1在所图示的实施例中包括有权访问存储器或数据库3的处理单元2。图1中图示的平台1可以用于在选择会话中从上下文感知排序的可用项目中选择项目。这些项目可以形成针对技术系统、特别是工业系统或自动化系统的配置而使用的各种不同的项目，该系统针对其配置需要多个不同的项目。处理单元2可以在提供项目的服务提供商的服务器上实现，这些项目可以被最终客户使用，以便从形成了由服务提供商所提供的可用项目的多个不同硬件和/或软件组件来构建工业系统或复杂产品。

如图1的实施例中所示的处理单元2可以包括若干个处理阶段2A、2B、2C，每个处理阶段具有被适配成执行计算的至少一个处理器。处理单元2可以有权访问本地存储器3或有权经由网络来访问远程存储器3。在所图示的示例性实施例中，处理单元2包括第一处理阶段2A，第一处理阶段2A被适配成处理数字输入向量V，该数字输入向量V是由处理单元2经由最终客户或用户所操作的用户终端的用户接口4而接收到的。在可能的实施例中，用户终端4还可以经由数据网络连接到在服务提供商的服务器上实现的处理单元2。在可能的实施例中，为了开始选择会话，最终客户必须由平台1授权。在已经发起选择会话之后，最终客户可以开始从服务提供商或项目的制造商所提供的可用项目中选择项目，即，实现或构建相应工业系统所必要的硬件和/或软件组件。这些项目可以例如包括传感器项目、致动器项目、线缆、显示面板或控制器项目，作为该系统的硬件组件。这些项目还可以包括软件组件，即，可执行软件程序的不同版本。在所发起的当前选择会话中，数字输入向量V作为上下文被提供给平台1。处理单元2被适配成执行图6的流程图中所图示的计算机实现方法。处理单元2被适配成：使用人工神经网络ANN从数字输入向量V来计算压缩向量V

在图1的所图示的示例性实施例中，处理单元2包括三个处理阶段。在第一处理阶段2A中，从作为上下文的接收到的数字向量V来计算压缩向量V

例如，第一向量元素V1包括如下值：该值指示客户在当前选择会话中已经选择了多少个第一项目。在接收到的数字输入向量V的基础上，处理单元2的第一处理阶段2A使用人工神经网络ANN并且使用所存储的关系张量T

压缩向量V

处理单元2的第一处理阶段2A被适配成：使用经训练的人工神经网络ANN从接收到的数字向量V来计算压缩向量V

可以根据以下等式来分解关系张量T

其中，E是因子矩阵（嵌入矩阵），并且G

处理单元2的第二处理阶段2B被适配成：针对由第一处理阶段2A输出的压缩向量V

压缩向量V

在所计算的压缩向量V

其中，E

处理单元2的第三处理阶段2C被适配成：根据所计算的得分向量S的相关得分来对可用项目进行自动排序，以用于在当前选择会话中选择。

在可能的实施例中，关系张量T

三元组：

每个三元组t由表示知识图KG中的选择会话SS的第一节点n1、表示知识图KG中的可用项目I的第二节点n2、以及两个节点n1、n2之间的包含关系c组成，该包含关系c指示由知识图KG的第一节点n1表示的选择会话SS确实包含由知识图KG的第二节点n2表示的项目I。例如，三维关系张量T

在可能的实施例中，在处理单元2的阶段内执行的、提供数字向量V、计算压缩向量V

图6示出了计算机实现方法的可能的示例性实施例的流程图，该方法用于在选择会话期间对可用于系统、特别是工业系统的配置的项目进行上下文感知的排序。在所图示的示例性实施例中，该方法包括四个主要步骤S1、S2、S3、S4。

在第一步骤S1中，提供数字向量V作为用于排序的上下文，该数字向量V表示在当前选择会话SS中选择的项目I。

在第二步骤S2中，使用经训练的人工神经网络ANN从数字输入向量V来计算压缩向量V

在另外的步骤S3中，将在步骤S2中计算的压缩向量V

最终，在步骤S4中，根据在步骤S3中计算的得分向量的相对性得分，来对用于在当前选择会话中选择的可用项目进行排序。

根据本发明的平台1考虑了选择会话的上下文属性。平台1利用知识数据库，该知识数据库可以包含用户过去形成的选择会话SS的历史数据，而且还可以包含不同可用项目的描述性特征。这产生了图形结构化的多关系数据描述、即知识图KG，该知识图KG被等效地表示为高维张量T。在这种设置下，预测知识图KG中的边对应于预测知识张量中的正条目（positive entry）。该方法通过经由张量因子分解（诸如，张量的塔克分解）找到低秩近似（low rank approximation）来利用该知识张量的稀疏性。如图1中图示的平台1考虑了工程的当前配置，即用户在当前选择会话SS中选择的项目、以及可用项目的描述性特征f和属性，而不仅仅是关于过去用户行为的历史数据。在平台1的准备阶段，形成联合数据库和拟合张量因子分解模型。这是消耗资源的，并且可以按规律的时间间隔来执行，或者可以在新的信息数据变得可用并且被包括到数据库3中时执行。

在分离的执行阶段中，最终客户或代理可以执行相应工业系统的配置过程。在执行阶段期间，可以由平台1的处理单元执行如图6中图示的用于对针对该系统的配置的项目进行上下文感知的排序的方法。它提供了取决于对项目的当前用户动作来对所显示或输出的项目的次序进行动态调整。在压缩向量V

此外，数据库3可以包括不同项目的技术信息。该数据可以包括关于每个项目的详细技术信息，诸如类型信息、电压、大小等。

知识图KG可以包括历史选择会话数据和关于特征f的技术信息的合并信息。知识图KG可以例如以RDF格式或作为三元组存储来存储。知识图KG可以等效地被表示为具有三个模式的稀疏数字张量，其中正面切片（frontal slice）对应于关于不同的边类型和/或关系的邻接矩阵。可以将形成了知识图KG的低秩近似的经因子分解的张量存储在一组数字张量中。可以使用不同的过程来计算张量因子分解，诸如塔克分解或CP分解。

数字向量V对应于处于配置过程中的新选择会话SS，即，其中客户当前可以将另外的项目添加到该选择中。

压缩向量V

如图1中所图示的，根据本发明的平台1可以考虑其中已经做出购买订单或选择的上下文，即，最终客户在当前选择会话SS中已经选择了什么其他项目。这允许平台1估计最终客户关于所选择的组件或项目的最终目标可能是什么。

此外，平台1考虑了项目之间的预定义关系，例如应用领域、兼容性、项目“层（tier）”等。该上下文知识显著地增强了项目的固有推荐的总体质量，以用于由输出项目的排序所提供的进一步选择。此外，如果先前没有见过项目I，则平台1仍可以通过经由项目I的上下文描述将项目I嵌入到先前构造的隐空间中来做出有意义的推荐。

可以在产品配置器平台的源代码中的全自动过程生成函数（generatingfunction）中执行根据本发明的用于对项目I进行上下文感知的排序的方法。平台1允许对包括硬件和/或软件组件的项目进行智能排名，从而使工业系统、特别是自动化系统的设置更加容易，并且加快了技术系统的配置过程。在可能的实施例中，平台1的平台所有者还可以将知识图KG丰富化。在可能的实施例中，也在图2、图4中图示的知识图KG可以是可编辑的，并且被显示给平台所有者，以用于利用附加的节点和/或边、特别是相关特征f将该图丰富化。

在优选实施例中，根据本发明的平台1和方法利用张量分解（张量因子分解）来提供因子矩阵E，从该因子矩阵中导出了权重矩阵E

根据本发明的平台1包括两个主要构建块。存储器3被适配成存储知识图KG，该知识图KG允许构造关于项目的上下文信息。如图1中所图示的，关系张量T

存储在存储器3中的知识图KG包含：针对配置的过去选择会话、以及可配置项目I的技术信息。在考虑中的所有实体都对应于有向多重图（即，具有类型化边的图）中的顶点（即，节点）。知识图KG中的关系指定了实体（节点）如何彼此连接。例如，选择会话（解决方案）可以经由包含关系c而链接到项目I，这指定了在解决方案或选择会话中已经配置了哪些项目。知识图KG内的其他关系将项目I与技术属性或特征进行链接。知识图KG在邻接关系张量T方面具有数字表示。在可能的实施例中，可以在RESCAL的帮助下计算项目I的隐表示（即，低维向量间隔嵌入（low dimensional vectors spaced embedding）），以执行对邻接关系张量T

图4示出了示例性知识图KG的描绘。如图5中所图示的，可以将对应的邻接关系张量T

工业系统或自动化解决方案可能非常复杂，并且可以由各种各样的子系统和组件（诸如，控制器、面板和软件模块）组成。每个组件可以包括需要整个工业系统的正常操作的不同特征或属性。常规地，工业系统的合适解决方案（即，配置）涉及相当大的努力并且需要专业知识。根据本发明的方法和平台1克服了该障碍，并且可以推荐补充了用户的当前部分解决方案或选择的一组项目I，和/或通过基于所有可用项目的相关性对所有可用项目的列表进行重新排序（例如，首先显示最相关的项目I）。利用根据本发明的方法和平台1，计算所有项目I的相关性得分。这些相关性得分是取决于用户在部分解决方案（即，部分选择会话ss）中已经配置的组件或项目I来动态调整的。

前馈人工神经网络ANN可以用于提取解决方案的高级别表示，该解决方案捕获不同项目I之间的非线性相互作用或依赖性。人工神经网络ANN用于基于通过张量因子分解而获得的项目嵌入（嵌入矩阵E）来计算具有每个项目I的相关性得分的得分向量s。根据本发明的平台1包括类似自动编码器的结构，其中嵌入矩阵E（因子分解矩阵）可以用作导出权重矩阵E